Data Intelligence Platform
Ontologic Platform
흩어진 DB·레거시 코드·운영 문서를 하나의 온톨로지 기반 시맨틱 레이어로 통합하고, 자연어 질의·원인 분석·What-if 예측·감시 에이전트 자동화까지 제공하는 데이터 인텔리전스 플랫폼
에이전트에게 필요한 건 더 많은 데이터가 아니라, “의미”입니다
LLM 에이전트에게 DB 스키마와 API만 열어주면, 컬럼명과 타입은 읽어도 정작 “왜”는 이해하지 못합니다. 그 공백을 메우는 것이 온톨로지입니다 — 아래에서 자세히 살펴봅니다.
Ontologic Platform은 이 온톨로지를 문서와 DB 스키마로부터 자동으로 구축하고, 실제 데이터와 연결해 자연어 질의·원인 분석·What-if 예측·감시 에이전트 자동화까지 하나의 흐름으로 제공하는 데이터 인텔리전스 플랫폼입니다. 화면은 피지컬 레이어(데이터 소스·코드·스키마·자연어 질의), 도메인 레이어(ObjectType·온톨로지 관리), 다이나믹 레이어(What-if 시뮬레이터·감시 에이전트) 세 개로 구성됩니다.
왜 지금 온톨로지인가
Agentic AI가 데이터를 직접 다루기 시작하면서, “접근 권한”보다 “의미와 인과관계에 대한 지식”이 새로운 병목이 되고 있습니다.
세 개의 레이어로 나뉜 화면 구조
Ontologic의 좌측 내비게이션은 피지컬·도메인·다이나믹 세 개의 레이어로 구성되어, 물리적 데이터 자산에서 의미(시맨틱) 계층을 거쳐 실행/자동화 계층까지 하나의 흐름으로 이어집니다.
온톨로지 위에서 협업하는 에이전트
비즈니스 프로세스가 에이전트에게 미션을 주면, 에이전트는 온톨로지 네트워크의 관련 노드를 참조하며 판단하고, 비즈니스 전략(이것도 온톨로지의 일부입니다)에 맞춰 정렬한 뒤 그 결과를 다시 프로세스에 실행으로 반영합니다.
에이전트(빛나는 점)가 Data 레이어에서 출발해 Ontology 네트워크의 조립공정·불량률 노드를 참조하고, 품질 우선 전략에 맞춰 정렬한 뒤 Agent 레이어를 거쳐 Process 레이어의 조치 실행으로 되돌아가는 흐름을 애니메이션으로 표현했습니다.
전체 사용 흐름
흩어진 데이터가 선제적 조치로 이어지기까지, Ontologic은 다음 네 단계로 동작합니다
주요 기능
Ontology Studio와의 관계
문서에서 온톨로지로, 온톨로지에서 플랫폼으로
Ontology Studio가 문서로부터 온톨로지 스키마와 엔티티·관계를 추출해 Neo4j 그래프에 적재하는 오픈소스 도구라면, Ontologic은 그 온톨로지를 실제 DB·레거시 코드와 연결하고 그 위에서 자연어 질의·원인 분석·What-if·감시 자동화까지 수행하는 엔터프라이즈 데이터 인텔리전스 플랫폼입니다.
Ontologic의 온톨로지 구성 화면은 문서 기반 생성 방식을 지원하며, 이는 Ontology Studio가 쌓아온 지식 그래프 구축 방법론과 같은 궤도에 있습니다. 두 제품 모두 조직의 암묵지를 그래프로 명시화하여, AI 에이전트가 참조할 수 있는 지식지도로 만든다는 지향점을 공유합니다.
Process GPT와의 연동
판단은 온톨로지에서, 실행은 Process GPT에서
감시 에이전트가 SQL 또는 What-if 시뮬레이션으로 조건을 상시 평가하다 임계값을 넘으면, 조치 실행 단계에서 Process GPT로 실행을 위임합니다. Process GPT는 이 신호를 받아 미리 정의된 업무 프로세스를 실제로 기동해, 사람의 개입 없이도 “판정 → 조치”가 하나의 흐름으로 이어집니다.
온톨로지의 Process 노드 역시 process-gpt-bpmn-extractor를 통해 BPMN 다이어그램으로 시각화·편집되며, 이렇게 정의된 프로세스는 What-if 시뮬레이션과 감시 에이전트 모두에서 재사용됩니다. Ontologic이 “언제·왜 조치가 필요한지”를 판단하는 두뇌라면, Process GPT는 그 판단을 실제 업무로 옮기는 손발입니다.
Robo Legacy Analyzer와의 연동
레거시 코드를 읽어야 온톨로지가 완성됩니다
잘 정비된 DB 스키마만으로는 테이블의 진짜 용도를 알기 어렵습니다. Ontologic의 인제스천 엔진은 스토어드 프로시저·함수·트리거 같은 레거시 코드를 LLM으로 분석해, 테이블·컬럼의 의미와 코드–데이터 간 리니지(WRITES·READS)를 자동으로 도출합니다. 이 레거시 코드 분석 엔진은 Robo Legacy Analyzer와 같은 계열의 리버스 엔지니어링 기술을 사용합니다.
인제스천 결과만으로 부족할 때 — 예를 들어 특정 서비스의 호출 사슬을 끝까지 추적하거나 코드 전체를 자연어로 탐색해야 할 때는 Robo Legacy Analyzer로 이어가 더 정밀한 리버스 엔지니어링을 수행하고, 그 결과를 다시 Ontologic의 온톨로지에 반영할 수 있습니다.
비교표 요약
| 특성 | Ontologic Platform | 기존 BI·데이터 카탈로그 |
|---|---|---|
| 데이터 통합 | 100여 종 커넥터 + 레거시 코드 분석 | 정형 DB 중심, 커넥터 제한적 |
| 메타데이터 확보 | LLM이 DDL·프로시저에서 자동 추출 | 사람이 수동으로 태깅·문서화 |
| 질의 방식 | 자연어 질의 (Text-to-SQL) | 고정된 대시보드·리포트 |
| 의미 계층 | 온톨로지(KPI·Measure·Process·Driver·Resource) | 단순 테이블·컬럼 목록 |
| 분석 | 원인 분석(Granger/VAR) + What-if 시뮬레이션 | 과거 데이터 집계 위주 |
| 자동화 | 감시 에이전트가 선제적 조치 프로세스 실행 | 알림·리포트 생성에 그침 |